邹 薇,王玮旭

(湘潭大学 商学院，湖南 湘潭 411105)

一、引言

绿色是高质量发展的鲜明底色。为实现循环经济与低碳发展，2007年7月，中国人民银行联合国家环保总局(现生态环境部)、银监会(现银保监会)颁布了《关于落实环保政策法规防范信贷风险的意见》(以下简称《意见》)，将绿色信贷作为保护环境与节能减排的重要市场手段。自此，绿色信贷得以发轫。2021年，全国两会首次将“碳达峰”“碳中和”写入政府工作报告，中央经济工作会议再定调“双碳发展”，推动能耗“双控”向碳“双控”转变，象征着“双碳”战略的有序推进。据国际能源署报告，优化碳排放效率对于减碳工作有着不可取代的作用。因此，探讨绿色信贷政策对碳排放效率的影响对“双碳”目标的实现具有重要现实意义。

关于绿色信贷政策的碳减排效用研究中，主要围绕政策工具与政策效果两大方面。在政策工具层面，Lamperti等从应对气候风险的角度，证实了巴塞尔式绿色资本要求、绿色公共信用担保以及信用评级均具有碳风险调整作用，表明其助推了经济高质量发展的良性循环。[1]4-31Dafermos等指出，“绿色授信”与“污染惩罚”措施的同时实施能有效减缓全球变暖的速度，压降实体金融风险。[2]54-55在绿色信贷政策的实现效果方面，江红莉等发现，绿色风投与绿色信贷均能抑制碳排放。[3]3-11苏冬蔚、曹廷求及吴虹仪等通过分析证明了绿色信贷政策对高耗能产业造成的融资惩罚效应，限制了高排放的生产经营活动。[4]123-137,[5]7-17,[6]49-62宁金辉等则认为绿色信贷通过缓解代理问题抑制了企业过度投资动机，促进产业实现绿色化，提高了能源效率。[7]7-16

现有关于绿色信贷的微观效应的文献已十分丰富，但对于绿色信贷政策对碳排放效率的影响作用的实证研究仍相对匮乏。鉴于此，本文将重点关注以下问题：绿色信贷政策是否能促进碳排放效率的提升，降低碳排放强度？若能，又是以何种途径实现碳排放效率的提升？这一传导机制是否受到区域发展和区位分布的影响？本研究将有助于调整绿色信贷政策的实施力度，对于碳金融市场的构建与发展具有积极的现实意义，有益于“双碳”目标的落实。

综上，本文可能的边际贡献主要有以下三个方面：(1)引入超效率SBM模型测算了2008—2018年的碳排放效率，并验证了绿色信贷政策对碳排放效率的促进作用，总结了绿色信贷的发展经验与调整导向。(2)通过分层次构建技术进步与要素结构的中介模型，丰富了绿色信贷政策促进碳排放效率提升的内在机理。(3)考虑到区域发展的异质性，本文探究了区位分布、金融深化、研发投入、政府绿色投资等因素在绿色信贷对碳排放效率的影响路径中所发挥的调节作用，探讨了各地区碳排放效率表现的贡献因素。

二、理论分析及研究假设

(一)绿色信贷政策实现“技术创新效应”

理论上，波特假说提出，良好的环境政策(如绿色信贷、环境规制等)可以刺激企业创新，提升企业利润与效率。第一，绿色信贷不仅强化了环保项目的授信支持力度，还通过产品创新提供了多元化融资渠道，实现产品配置的协同效应，从而提高了企业的技术创新意愿。[8]421-431第二，绿色信贷政策实施后将对“两高一剩”(1)“两高一剩”：指的是高污染、高能耗、产能过剩。产业造成融资约束。重污染企业为控制生产经营成本，将调整债务期限结构，积极进行绿色技术创新，[9]173-188且这一创新行为对邻地也能产生空间外溢效应。[10]33-39第三，随着绿色信贷政策的持续实施，生态环境主管部门将联合各财政部门、金融机构逐步完善国家与地方企业环境信用认定系统，优先为亟须转换新旧动能的环保工程提供专项资金。为达到地方政府的既定指标，企业将主动参与污染防治手段，开展环保技术的创新研究，营造环境友好的社会声誉。

另外，从源头上看，绿色信贷发挥波特效应后，企业生产技术与方法得到改善，将有效降低投入成本，带动太阳能、风能、生物质能等新能源的推广使用，提高资源循环效率，实现了生产工艺的清洁化。从产出来看，技术进步将优化能源处理设备的产出结构，通过在末端运用污染治理技术的方式，降低非期望产出含量，实现了碳排放效率的提升。基于此，本文提出以下假设：

假设1：绿色信贷政策通过促进技术进步，提高了碳排放效率。

(二)绿色信贷政策发挥“要素结构效应”

从价值链的投入视角来看，绿色信贷对企业要素结构的调整作用可以分为人力资本和能源结构两个层面。理论上而言，能源储备、人力资源作为最主要的生产要素，将对产出效率发挥至关重要的作用。首先，能源需求及使用强度将对碳排放效率造成一定影响，[11]100-106其次，银行信贷具有调控行业间的劳动力配置的作用，[12]3-14进而对经济产出效率产生影响。

绿色信贷政策实施后，一方面鼓励了生产部门优化能源结构，另一方面则通过缓解代理冲突，调整了企业的资本结构。[13]123-133第一，为了实现能源结构的“绿色化”，企业将试图寻求生产要素间的最优组合，可能会引入低污染的新能源替代高排放的传统能源，从而产生要素替代效应。第二，绿色信贷规模的增长在一定程度上将影响环保项目的劳动投入程度，当劳动力转移到生产力更高的部门时，将形成要素积累的规模效应，进而改善产出结构，促进碳排放效率的提升。基于此，提出以下假设：

假设2：绿色信贷政策通过促进要素结构优化，提高了碳排放效率。

三、研究设计

(一)模型构建

为探究绿色信贷对碳排放效率的影响，本文建立如下双固定效应的模型，为了使结果更加稳健，引入各省市研发投入、全社会固定资产投入、对外开放程度、经济发展水平、金融深化程度和政府绿色治理等因素予以控制。

CEit=α0+β1GCLit+β2GDPit+β3RDit

+β4Tradeit+β5FASit+β6GIit

+β7FINit+∑year+∑region+εit

(1)

其中，CEit表示为第i个省份第t年的碳排放效率值；α0表示截距值；GCLit表示绿色信贷水平指数；GDPit表示国内生产总值，RDit表示研发投入；Tradeit表示对外开放程度；FASit代表社会固定资产投入额；GIit表示政府绿色治理水平；FINit则表示地区的金融深化程度；year与region分别表示时间与省份固定效应；εit代表随机扰动项。

(二)数据来源与变量说明

1.数据来源

考虑到政策效果的时滞性，本文将《意见》首次提出后的次年(即2008年)作为研究起点。基于此，本文收集了2008—2018年中国30个省(市、自治区)(2)因西藏、香港、澳门、台湾数据缺失，故不作研究探讨。的面板数据。碳排放值来自中国碳核算数据库(CEADs)，经济观测值来自《中国工业统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》等，并通过各省统计年鉴进行补齐。各变量的描述性统计见表1。

2.变量说明

被解释变量：碳排放效率(CEit)。测算方法采用非导向、规模报酬不变的超效率SBM模型。

表1 变量描述性统计

解释变量：绿色信贷水平(GCLit)。绿色信贷包括各银行节能环保贷款、绿色信贷产品等指标，但多以银行作为分类进行统计。考虑到面板数据的可比性，本文参考谢婷婷、章志华及郭威等的做法，通过构建反向指标，将非六大高耗能产业(3)据国家统计局《国民经济行业分类》披露，六大高耗能产业指石油加工、炼焦及核燃料加工业；化学原料及化学制品制造业；非金属矿物制品业；黑色金属冶炼及压延加工业；有色金属冶炼及压延加工业；电力热力的生产和供应业。利息在工业总利息的占比值作为各省份绿色信贷水平的代理变量。[14]83-90,[15]81-97,[16]44-55

模型中各变量指标及计算方式见表2：

表2 各变量的表征指标与计算方式

四、碳排放效率测算及分析

(一)测算方式

梳理效率测算方法的发展脉络，其研究重点经历了由绝对强度向相对效率，由单要素向多要素，由局部地区向空间集群深入的螺旋式上升的演进过程。Charnes、Cooper与Rhodes三位运筹学家首次提出了传统的数据包络分析模型(CCR-DEA)，用以估计决策部门的生产效率。[17]429-444基于此，Tone提出了将松弛变量纳入模型的非径向、非角度的SBM-DEA模型，并推广了考虑非期望产出的超效率SBM模型。[18]32-41该模型假设存在n个决策单元DMU，每个单元包含了m个要素投入、s1个期望产出以及s2个非期望产出，分别定义为：

X=[x1,x2,…,xn]∈Rm×n

假设X>0，Yg>0，Yb>0，定义生产可行集P={(x,yg,yb)|x≥λX,yg≤λYg,yb≥λYb,λ≥0}，得出效率值公式：

同时满足以下条件：

x0=λX+s-

s-≥0，sg≥0，sb≥0，λ≥0

本文引入超效率SBM模型，选取30个省份的资本存量、能源消耗及劳动力供给作为投入指标，将国内生产总值作为期望产出，碳排放量作为非期望产出进行计算。关于资本存量的计算，参考单豪杰的做法，首先将固定资产形成总额的现价通过投资价格指数进行平减，以2000年为基期，借鉴作者所采用的10.96%的折旧率，[19]17-31计算方式如下：

Kt=Kt-1(1-μ)+St

(2)

式中，Kt表示本期资本存量，Kt-1表示上期资本存量，μ为折旧率，St为本期固定资产形成额。基于此，本文利用上述指标，整理2008—2018年的面板数据，经DEA Solver Pro测算后，得到各省份碳排放效率值。若碳排放效率值越高，则投入产出结构更加合理。

(二)统计指标分析

图1报告了碳排放效率分年份和地区的趋势变化。从地区分布来看，位于发展前列的北京、上海、江苏等东部地区经济相对繁荣，金融科技发展迅速，碳排放效率提升显著，十年间涨幅达22.4%。中部地区趋势变化相对适中，《意见》出台后四年，中西部地区碳排放效率整体都出现了攀升趋势，2011年后发展持平，波动幅度较小。

图1 碳排放效率分年份和地区的趋势变化

同时，本文注意到山西省在中部地区的减碳工作中成效显著。虽然在“十一五”期间制定的能耗降低指标计划中，山西省的能耗降幅大，难度高，在全国属于第一层级，但自被批复为资源型经济转型试验区后，山西省积极投资绿色支持项目，健全金融改革措施，并佐以环境税收制度，减碳工作取得了显著成效。此外，北京市、陕西省的碳排放效率分别在东、西部地区处于领先地位，为减排工作作出了积极的贡献。

五、实证结果分析

(一)基准回归

本文选取的数据为大T小N的短面板数据，基准回归结果见表3。考虑到省份数据存在个体效应，本文采用豪斯曼检验协助进行模型检验，检验结果拒绝原假设，故选取固定效应模型展开后续研究。为进行对比分析，列(1)展示了混合OLS回归结果，列(2)展示了随机效应模型，列(3)(4)分别展示了固定效应模型的线性与非线性检验结果。列(1)(2)显示，在同时控制各省的地区效应、年份效应后，绿色信贷水平GCLit的估计系数在1%的水平上显著为正。考虑到各省份之间的异方差因素，在列(3)中采用异方差稳健标准误进行面板回归后，GCLit估计系数的显著性下降到5%。另外，随着绿色信贷水平升高，高污染企业可能会因融资成本上升而产生技术停滞，从而寻求污染转移，导致“洗绿”“漂绿”等现象的发生。因此，本文在列(4)中加入GCLit的平方项，所得系数在10%的水平上显著，但未拒绝Utest的原假设，说明绿色信贷与碳排放效率不存在非线性关系。

表3 基准回归结果

(二)稳健性检验

表4揭示了稳健性检验结果。首先，列(1)至(3)采用替换原模型自变量的方法，将绿色信贷水平占比替换为绿色信贷实际值的代理变量GIit，采用各省工业总利息减去高耗能产业利息进行衡量，为避免异方差问题，对数据取对数处理。其中列(1)(2)为混合OLS回归，在加入了控制变量后，GIit的系数依然在1%的水平上显著。列(3)采用固定效应的面板回归模型进行检验，显著性水平下降为5%，但与列(2)结果差异不大。这说明，绿色信贷对碳排放效率的促进作用是存在的，不受代理变量选择的影响，基准回归的稳健性得到保证。

表4 稳健性检验结果

其次，调整控制变量类型。列(4)引入产业结构IS，采用第二产业增加值占比GDP来衡量。本文控制产业结构的原因有二：其一，工业不仅是碳排放的主要来源，而且容易形成产能过剩问题，抑制碳排放效率的提高；其二，产业结构高级化是产业变迁的结果，对碳排放效率也可能存在一定的影响。列(5)将金融深化程度替换为金融发展水平，采用金融增加值占GDP的比重来衡量。列(4)(5)的回归结果均显示，绿色信贷对碳排放效率仍然具有显著的促进作用，强化了回归结果的稳健性。最后，列(6)中将因变量替换为碳排放强度CIit，以每单位GDP所产生的碳排放量来核算，回归结果不显著，说明碳排放强度与绿色信贷相关性较低，从而印证了原回归的有效性。

(三)内生性问题讨论

本文采取工具变量法(IV)对内生性的来源进行讨论。首先，从双向因果的角度来看，绿色信贷政策实施后，将对碳排放效率的投入、产出以及技术实现造成影响，提升碳排放效率；其次，碳排放效率也可能作为商业银行践行《绿色信贷指引》中绿色信贷考核评价体系的依据，影响下一阶段绿色信贷的审批流程。另外，遗漏变量中诸如气候风险可能会同时影响绿色信贷与碳排放效率，导致回归结果出现偏误。

为解决这一内生性问题，本文借鉴张杰、李春涛等的构建思路，选取了自变量的滞后一期，以及各省接壤地区绿色信贷水平均值两个工具变量进行内生性检验。[20]118-136,[21]81-98相邻地区经济关联度较高，金融发展相互影响，满足工具变量的内生性要求。另外，由于信贷融资存在地域分割，为避免多头贷款的风险，商业银行对异地贷款的投放采取了严格限制措施，且政府绿色治理政绩需要绿色信贷加以辅佐，贷款的投放目标自然以本地企业为宜。因此，两个工具变量之间不存在相关性，且邻近接壤地区的绿色信贷也无法直接影响本地碳排放效率，满足外生性的假设。表5报告了工具变量的回归结果，列(1)为面板数据工具变量回归结果，列(2)(3)为两阶段最小二乘法(2SlS)估计结果，结果显示，核心解释变量GCLit的系数仍然为正，且至少在10%的水平上显著。接着检验工具变量联合系数后，F统计量为18.86，拒绝“存在弱工具变量”的原假设。

表5 工具变量回归结果

六、进一步分析

(一)机制分析

基于假设1，本文首先将技术进步作为中间机制进行回归，选取了专利数作为衡量依据。依据世界知识产权组织(WIPO)分类清单将绿色专利识别为绿色发明专利与绿色实用新型专利，同时加入地区人均专利数进行细分讨论。基于此，构建中介模型：

CEit=b0+b1GCLit+∑year+∑region+εit

(3)

Techit=c0+c1GCLit+∑year+∑region+εit

(4)

CEit=d0+d1GCLit+d3Techit+∑year+∑region+εit

(5)

表6列(1)至列(3)展示了技术进步的中介效应检验结果，中介因子分别选择了地区人均专利、绿色实用新型专利以及绿色发明专利获得量。通过回归发现，地区技术进步的确促进了碳排放效率的提升，但是与绿色信贷的关联不大，说明各地区技术进步并不是绿色信贷的中介变量。列(2)中结果显示，绿色实用新型专利并非中介，故而形成遮掩效应。列(3)中结果显示，绿色信贷政策能促进绿色发明专利数量的提高，且技术进步对碳排放效率的影响系数为0.004，在10%的水平上显著，由于直接效应并不显著，说明绿色发明专利增加引致的技术提升为完全中介变量。为提高检验的准确性，最后采用Sobel检验对绿色发明专利变量进行分析，经计算得出，Sobel检验P值显著，且中介效应占比为0.192。

依据原中介效应模型，同理引入要素结构进行检验，要素结构则参照蔡乌赶等的做法，以能源消耗与劳动力人数的比值计算。[22]27-35表6列(4)中要素结构变化对碳排放效率的影响在5%的水平上显著，直接效应系数在1%的水平上显著，说明绿色信贷的实施可以降低单位能耗所需的人力资本，绿色信贷通过要素结构的优化效应提高了碳排放效率，属于部分中介变量。

表6 中介机制分析

(二)异质性分析

由于各地区经济发展水平不同，沿海地区相比内陆地区具有更发达的金融市场环境，不同地区的工业化程度也不尽相同，受到绿色信贷冲击的效果自然也会存在差异。另外，政府既能引导信贷资金流向研发部门的能源开发项目，也可通过调节金融资产配置，推动股票型基金的设立，为环境友好型工程提供支持。[23]1022-1034因此，本文通过地区分组，以及引入核心解释变量与控制变量的交互项等方法来对影响碳排放效率的原因进行异质性分析。实证结果见表7。

1.分地区样本。列(1)(2)为地区分组结果。回归表明，东部地区的绿色信贷政策对碳排放效率的系数在1%的水平上显著，政策拉动效果明显。这可能是因为东部地区经济实力更为雄厚，金融发展水平较高，绿色信贷供给更充足。

表7 异质性分析

2.金融深化程度。列(3)中引入金融深化程度与核心解释变量的交互项，其系数为正且在1%的水平上显著。说明金融深化程度越高的地区，绿色信贷对碳排放效率的提升效果越明显。

3.研发投入强度。列(4)中加入了研发投入强度与核心解释变量的交互项，其回归系数为正且在1%的水平上显著，说明研发投入越多的地区，碳排放效率提升效果愈佳。

4.政府绿色投资。列(5)引入了政府绿色投资与核心解释变量的交互项，其系数为正，但不具备统计显著性。一方面，可能是因为政府绿色投资对碳排放量具有抑制作用，[24]14-21另一方面，政府绿色投资比重还相对较低。经统计，2018年全国环保支出占财政支出的平均值仅为2.85%。这表明在财政分权体制下，政府环境治理可能存在激励不足与标准“逐底”的问题。[25]158-173

七、结论与建议

基于绿色信贷政策的实施背景，本文采用超效率SBM模型测算了2008—2018年的全国碳排放效率，通过构建双向固定效应模型探讨了绿色信贷对碳排放效率的影响路径与内在机理。研究得出：(1)绿色信贷政策实施显著提升了碳排放效率，且这种影响存在异质性。在经济水平越发达、金融发展水平越靠前、金融深化程度越高的城市，其促进效果愈发明显，而部分地区由于技术工艺、生产水平落后，存在碳排放效率促进效果一般的现象。(2)绿色信贷政策的实施促进了绿色技术进步与要素结构优化，进而提升了碳排放效率。(3)在财政资金的配置上，政府绿色投资的占比相对较小，地方环境治理仍存在激励不足的问题。基于上述结论，本文得到以下政策启示：

第一，加大绿色信贷的投放力度，以绿色金融支持实体产业高质量发展。应严控绿色信贷门槛，积极调整中西部地区信贷资源流向，引导和鼓励社会投资流向绿色产业，健全绿色信贷审批制度，提高绿色贷款利率定价的合理性，促进经济可持续发展的良性循环。第二，敦促引导“两高一剩”产业进行绿色创新，调整其债务期限结构，限制高碳排放项目的盲目扩张。由于重污染企业的资本、劳动力规模相对较大，应当避免政策落实出现“一刀切”现象，督促其完成减排工作，防止“搭便车”行为造成绿色繁荣的假象。第三，健全碳排放权交易市场体制，促进形成全社会节能减排的长效机制。为避免出现短暂性的“政治性蓝天”，应合理分配各省、市、自治区的碳排放额度，抬高地区的环境标准线。有效督促环境规制部门执行绿色监管与惩罚措施，严格监管企业“漂绿”“洗绿”等套利行为。